IMPLEMENTASI FASE BOOSTING PADA ALGORITMA C5.0 DALAM MENENTUKAN PRESTASI AKADEMIK SISWA
DOI:
https://doi.org/10.33005/santika.v2i0.67Keywords:
Prestasi, Klasifikasi, Algoritma C5.0, Boosting, Confusion Matrix.Abstract
Prestasi akademik siswa merupakan hasil dari kegiatan pembelajaran yang disertai perubahan atas pencapaian siswa dan dinyatakan dalam bentuk huruf, angka, maupun kalimat sebagai ukuran keberhasilan dengan standar yang telah ditetapkan. Penentuan prestasi akademik siswa dilakukan secara manual oleh tenaga pendidikan, hal ini sangat tidak efektif pada waktu yang dibutuhkan mengingat semakin banyaknya kuantitas siswa dan rentan akan human error. Untuk itu, dalam penelitian ini penulis menerapkan algoritma decision tree C5.0 yang mana terdapat fase boosting untuk mengoptimalkan model pohon dalam mengklasifikasikan prestasi akademik siswa dengan memperbarui data training untuk membentuk model pohon keputusan yang paling akurat. Penelitian ini menghasilkan model pohon keputusan dengan akurasi 93,15%. Kemudian, dilakukan pengujian sistem menggunakan 144 data testing yang menghasilkan nilai recall sebesar 84,32%, precision sebesar 81,62%, dan nilai accuracy sebesar 84,03%.
References
[2] Yusuf, B., Qalbi, M., Basrul, Dwitawati, I., Malahayati, & Ellyadi, M. (2020). Implementasi Algoritma Naive Bayes dan Random Forest dalam Memprediksi Prestasi Akademik Mahasiswa Universitas Islam Negeri Ar-Raniry Banda Aceh. Jurnal Pendidikan Teknologi Informasi, Volume 4, Nomor 1, 50-58.
[3] Nevianing, B. C., Mandyartha, E. P., & Nugroho, B. (2021, Maret). Diagnosis ADHD Berdasarkan DSM-IV Menggunakan Algoritma Naive Bayes. Jurnal Informatika dan Sistem Informasi (JIFoSI), Vol. 2, No. 1, 1-8.
[4] Suntoro, J. (2019). Data Mining : Algoritma dan Implementasi dengan Pemrograman PHP. Jakarta: PT. Elex Media Komputindo.
[5] Kastawan, P. W., Wiharta, D. M., & Sudarma, I. M. (2018, September-Desember). Implementasi Algoritma C5.0 pada Penilaian Kinerja Pegawai Negeri Sipil. Majalah Ilmiah Teknologi Elektro, Vol. 17 No. 3.
[6] Yusuf, Y. (2007). Perbandingan Performansi Algoritma Decision Tree C5.0, CART, dan CHAID: Kasus Prediksi Status Resiko Kredit di Bank X. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007).
[7] Meo, M. O. (2017, Juli). Penerapan Algoritma Pohon Keputusan C5.0 untuk Klasifikasi Lahan Gambut yang Terbakar di Kabupaten Ogan Komering Ilir. Jurnal Teknologi Terpadu, Vol. 3, No. 1, pp. 17-23.
[8] Khun, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer Science+Business Media.
[9] Handono, S. F., Anggraeny, F. T., & Rahmat, B. (2021, Maret). Implementasi Convolutional Neural Network (CNN) Untuk Deteksi Retinopati Diabetik. Jurnal Informatika dan Sistem Informasi(JIFoSI), Vol. 1, No. 1, 669-678.
[10] Amrieh, E. A., Hamtini, T., & Aljarah, I. (2016). Mining Educational Data to Predict Student’s Academic Performance using Ensemble Methods. International Journal of Database Theory and Application, Vol.9, No.8, pp.119-136.
